車牌識別系統車牌定位如何進行

1 引言

隨著國民經濟的高速發展，高速公路、城市道路、停車場建設越來越多，對交通控制、安全管理的要求也日益提高，智能交通系統its(intelligent traffic system) 已成為世界交通領域研究的前沿課題。在此基礎上發展的車牌識別系統(license plate recognition)

系統是智能交通系統的重要組成部分，在交通管理中占有重要地位。lpr系統主要由三部分組成：車牌定位、字符分割、字符識別，其中車牌定位的成功與否直接影響是否能夠進入車牌識別以及車牌識別的準確率。主要的車牌定位方法：基于灰度圖像的車牌定位方法[1]、基于小波變換的車牌定位方法[3]、基于形態學的車牌定位方法[4]、基于神經網絡的車牌定位方法[7]、基于支持向量機的車牌定位方法[8]等。雖然這些算法在某些特定條件下識別效果較好，但綜合一些諸如天氣、背景、車牌磨損和圖像傾斜等干擾因素的影響，暫時還不能完全滿足實際應用的要求，有必要進行進一步的研究。

2 車牌定位方法

2.1 基于灰度圖像的車牌定位方法

灰度數字圖像是每個像素只有一個采樣顏色的圖像。這類圖像通常顯示為從黑色到白色的灰度。為了便于車牌定位，將該圖像轉換成二值圖像，即只有黑色和白色兩種顏色的圖像。

此方法是應用車牌的如下特點：車牌牌照的字符和背景的對比度比較大，對應于車牌區域的水平灰度變化比較頻繁;再者車牌一般掛在汽車的緩沖器上或附近，并靠近圖像的下部，干擾一般比較少。根據以上特點，使用靠近水平方向的一階差分運算，以突出灰度變化頻繁的區域。其一階差分運算的算式為：


從車牌照是一個矩形這一特點，我們可以判斷它所對應的水平投影圖與車牌的形狀相仿，是一塊較為獨立的矩形區域，從水平投影圖中可以看車牌位置基本對應于圖中從下到上的第一個較大的波峰，車牌投影值區域大致對應于上述波峰值上、下鄰域的波谷之間所包含的投影值區域，且這兩個波谷大致對稱于波峰，波峰和波谷的變化率較大。在這個過程中最重要的是確定選擇哪個波峰，如果這個波峰的兩個波谷之間的值的高度都大于某一個設定的值，并且兩個波谷之間的寬度大致等于車牌照的高度，就認定它所確定的區域就是車牌的水平位置。對于車牌垂直方向的定位算法：一般情況下，車牌的底色和字符的顏色的對比度很大，而且在一個相對范圍較小的范圍內變化比較頻繁，通過這個特征確定車牌垂直方向。該方法對質量較高的圖像有很好的定位，不過對于圖像中車前和車牌附近的車輛背景過多，容易導致錯誤的車牌定位。

2.2 基于小波變換的車牌定位方法

小波變換是20世紀80年代中后期在傅里葉分析的基礎上發展起來的一個重要的應用數學分支。與傅里葉變換相比，小波變換具有較強的時、頻域局部分析能力。通過伸縮和平移等運算功能對信號進行多尺度細化分析，在高頻處取窄的時(空)間窗，在低頻處取寬的時(空) 間窗，克服了傅里葉分析無法同時在時域和頻域上取得良好局部特性的局限性，近年來這一方法在很多工程領域得到廣泛應用。小波分析的核心是多分辨率分解，其良好的時—頻特性使其成為研究精細結構的理想工具。在車牌圖像處理方面，經過基于小波變換的高通濾波，車牌區域的橫、豎、撇、捺筆劃變得十分簡潔、明晰，與傳統算法中通過中值濾波等方法來濾除圖片中的噪聲干擾相比較，小波變換增強了處理的針對性，在降噪的同時增強了有用信息，便于在后續程序中獲取車牌區域的細節信息。南京航天航空的馬永一、宋錚等人將小波變換直接應用于車牌定位，提出了一種直接對灰度圖像進行除噪處理的方法。

該方法是首先設計一個基于小波變換的濾波器，然后對圖片進行x層小波變換之后對低頻部分llx進行衰減，再進行小波反變換即可實現高通濾波，濾除圖片中由于光照不均等多種因素造成的噪聲干擾突出車牌區域。在傳統的車牌定位算法中，都是先對圖像進行二值化處理。對于原始的灰度圖像中存在很明顯的由光照不均引起的亮度差別，汽車的左半部分的亮度因建筑物遮擋比右半部分的亮度暗，同時右半部分也存在著局部的光線不足的情況下，如果直接進行平均灰度整體閾值二值化，很容易出現由于閾值選取過高而造成車牌區域的不可辨識的情況，假如在程序中刻意降低閾值又會引入很多噪聲，失去了二值化的使用意義。如果使用局部閾值二值化，一方面增加了計算閾值的工作量，增加了處理時間，同時也可能會因為區域劃分的原因引發新的邊界噪聲干擾。使用基于小波變換的高通濾波處理后，圖片效果十分理想，不僅完全消除了光照不均造成的影響，而且使車牌區域更加突出，大大提高了定位查找的準確率。但是降噪預處理時的重構信號會丟失原有的時域特征。

2.3 基于形態學的車牌定位方法

數學形態學是由一組形態學的代數運算子組成的，它的基本運算有4個：

膨脹、腐蝕、開啟和閉合，它們在二值圖像和灰度圖像中各有特點。基于這些基本運算還可推導和組合成各種數學形態學實用算法，用它們可以進行圖像形狀和結構的分析及處理，包括圖像分割、特征抽取、邊界檢測、圖像濾波、圖像增強和恢復等。數學形態學方法利用一個稱作結構元素的“探針”收集圖像的信息，當探針在圖像中不斷移動時，便可考察圖像各個部分之間的相互關系，從而了解圖像的結構特征。上海大學的盧雅琴、鄔凌超基于形態學的思想提出了一種基于形態學的車牌定位方法。

該方法的具體步驟如下：首先對原始圖像進行二值化處理，然后采用4×1的結構元素對已二值化的圖像進行濾波，去除圖像的噪聲。采用16×9的結構元素再對去噪后的圖像進行膨脹，然后再用同樣大小的結構元素做腐蝕運算，使車牌所在的區域形成連通的區域。然后標記出圖像中所有的連通的區域，并計算出每個連通區域的外接矩形框，利用車牌的先驗知識，確定車牌的位置。上述基于形態學處理的車牌定位方法，可以較好地確定圖像中車牌的位置，且算法簡單、實時性強。但是使用過大過小的結構元素，都無法使車牌區域形成閉合的連通區域。因此結構元素的選取非常重要。

2.4 基于神經網絡的車牌識別系統車牌定位方法

bp 神經網絡是目前人工神經網絡中研究最深入、應用最為廣泛的一種模型，是bp(back propagation)學習算法在多層前饋網絡中的一種應用模型。

bp網絡的實質就是多層感知器(multi-layer perceptron，mlp)，對于常用的三層(含有輸入層、隱含層和輸出層)網絡來說，第一層屬于輸入層，接受輸入向量;第二層屬于隱含層，用于記憶，增加網絡的可調參數，使網絡輸出更加精確;第三層屬于輸出層，輸出網絡結果。相鄰層之間的節點屬于全連接，相同層之間的節點沒有連接。理論上，對于三層bp網絡只要使得對隱含層的節點增大到一定的范圍就可以擬合任何非線性函數。bp算法由正向傳播和反向傳播組成。正向傳播是輸入信號從輸入層經隱含層傳向輸出層，若輸出層得到期望的輸出，則算法結束;否則，轉至反向傳播。反向傳播就是將誤差信號(樣本輸出與網絡輸出之差)按原連接通路反向計算，由梯度下降法調整各層神經元的權值，使誤差信號減小，直至誤差達到期望的誤差。

該方法主要利用神經網絡進行模式識別的一些優勢：其一，它允許對問題的了解較少;其二，它可以實現特征空間中比較復雜的劃分。基于神經網絡的車牌定位方法主要分以下步驟，首先對bp網絡進行訓練，選取各種情況下的車牌圖像，將其轉換成灰度圖像，每一幅圖像的全部灰度值作為網絡的一組輸入向量，如果是含牌照的汽車圖像，則設定其網絡輸出為高(0.9)，否則為低(0.1)，反復訓練直至達到理想的效果。然后對實際圖像進行預處理：灰度化，直方圖化，濾波器濾波，增強圖像并去除圖像的噪聲。最后用一個m×n的滑動窗口(m×n根據實際車牌的寬高比例設定)逐個像素地遍歷預處理后的圖像，窗口內子圖像的數據經過歸一化后送到神經網絡的輸入端作為輸入向量，如果神經網絡輸出為高，則可判斷此滑窗所在位置有車牌，否則無車牌。利用神經網絡進行車牌的定位，其優點在于可以充分利用神經網絡的自適應性，但這種方法也存在缺點，即需要花費一些時間進行網絡的訓練。如何縮短神經網絡的訓練時間，即提高其收斂速度是一個研究的難點。

2.5 基于支持向量機的定位方法

支持向量機(svm) 是20 世紀90年代初由vap2nik等人提出的一類新型機器學習方法，主要用于解決有限樣本情況下的模式識別問題。此方法能夠在訓練樣本很少的情況下達到很好的分類推廣能力。由于車牌區域有著的紋理，尋找一種良好性能的分類器，凸現這種紋理特征，使它與其它區域區別開來。支持向量機(support vector machine，svm) 正是這樣一種分類學習機制。

所以對車牌定位的研究，提出一種基于支持向量機的定位方法。首先將圖像分割為n×n大小的子塊，提出每個子塊的灰度特征，訓練svm分類器;然后用訓練好的分類器進行牌照子塊和非牌照子塊的分類，再使用數學形態學濾波和區域合并;最后運用投影方法定位牌照區域。實驗結果表明，該方法能比較好地定位牌照區域，但是由于svm算法對大規模訓練樣本難以實施，并且用svm解決多分類問題也存在困難，如果能解決這個問題車牌定位將會更精確。

3 結束語

本文在現有的車牌識別系統的基礎上，對近年來國內出現的車牌定位方法進行了全面的綜述，車牌定位是車牌識別中的關鍵。上述車牌定位方法在理想條件下很好，但是由于車牌背景的復雜性與車牌特征的多樣性，研究更實用的車牌定位方法是下一步要做的。如果將上述某些方法的特點相結合，集各家所長，有可能研究一種更好的車牌定位方法。